字符串通常按字符枚举。但是,特别是在使用Unicode和非英语语言时,有时我需要通过字形来枚举字符串。也就是说,组合标记和变音符号应该与它们修改的基本字符保持一致。在.Net中执行此操作的最佳方法是什么?
使用案例:用一系列IPA字计算不同的语音。
答案 0 :(得分:6)
TextElementEnumerator非常有用和高效:
private static List<SoundCount> CountSounds(IEnumerable<string> words)
{
Dictionary<string, SoundCount> soundCounts = new Dictionary<string, SoundCount>();
foreach (var word in words)
{
TextElementEnumerator graphemeEnumerator = StringInfo.GetTextElementEnumerator(word);
while (graphemeEnumerator.MoveNext())
{
string grapheme = graphemeEnumerator.GetTextElement();
SoundCount count;
if (!soundCounts.TryGetValue(grapheme, out count))
{
count = new SoundCount() { Sound = grapheme };
soundCounts.Add(grapheme, count);
}
count.Count++;
}
}
return new List<SoundCount>(soundCounts.Values);
}
您也可以使用正则表达式执行此操作:(从文档中,TextElementEnumerator处理下面的表达式没有的一些情况,特别是补充字符,但这些很少见,并且在任何情况下都不需要我的应用程序。)
private static List<SoundCount> CountSoundsRegex(IEnumerable<string> words)
{
var soundCounts = new Dictionary<string, SoundCount>();
var graphemeExpression = new Regex(@"\P{M}\p{M}*");
foreach (var word in words)
{
Match graphemeMatch = graphemeExpression.Match(word);
while (graphemeMatch.Success)
{
string grapheme = graphemeMatch.Value;
SoundCount count;
if (!soundCounts.TryGetValue(grapheme, out count))
{
count = new SoundCount() { Sound = grapheme };
soundCounts.Add(grapheme, count);
}
count.Count++;
graphemeMatch = graphemeMatch.NextMatch();
}
}
return new List<SoundCount>(soundCounts.Values);
}
性能:在我的测试中,我发现TextElementEnumerator的速度是正则表达式的4倍。
不幸的是,没有办法“调整”TextElementEnumerator枚举的方式,因此该类在现实场景中没用。
一种解决方案是调整我们的正则表达式:
[\P{M}\P{Lm}] # Match a character that is NOT a character intended to be combined with another character or a special character that is used like a letter
(?: # Start a group for the combining characters:
(?: # Start a group for tied characters:
[\u035C\u0361] # Match an under- or over- tie bar...
\P{M}\p{M}* # ...followed by another grapheme (in the simplified sense)
) # (End the tied characters group)
|\p{M} # OR a character intended to be combined with another character
|\p{Lm} # OR a special character that is used like a letter
)* # Match the combining characters group zero or more times.
我们也可以创建自己的IEnumerator&lt; string&gt;使用CharUnicodeInfo.GetUnicodeCategory重新获得我们的性能,但这似乎对我来说太多工作和额外的代码来维护。 (还有其他人想要去吗?)Regex是为此做的。
答案 1 :(得分:1)
我不确定这正是您正在寻找的,但不是您的问题与Unicode规范化有关吗?
当字符串规范化为Unicode Form C(这是默认格式)时,变音符号和它们修改的字符被组合在一起,所以如果你枚举字符,你将得到基本字符和修饰符字符。
当它被标准化为表格D时,基本和修饰符字符被分开,并在枚举中单独返回。
有关详细信息,请参阅String.Normalize
方法